该研究基于不相容性理论，将笑话分成设定和反讽两个组成部分，使用密度矩阵来表示设定和反讽的语义不确定性，通过量子熵设计了 QE-Uncertainty 和 QE-Incongruity 作为幽默识别的特征，并在 SemEval2021 任务 7 数据集上实现了更加准确的幽默识别。

Feb, 2023

提出了一个统一框架，用于生成同音和同形双关语以解决语言模型中的分裂问题。该框架包括三个部分：1）上下文单词 / 短语选择器，以促进双关语的歧义性、独特性和惊喜性；2）一个针对非双关语句子进行训练的生成模型，将上下文单词 / 短语纳入生成结果；3）一个标签预测器，学习了双关语的结构，用于引导推理时的生成模型。对双关语类型的评估结果表明，该模型相对于基线模型具有更好的效果。

Oct, 2022

通过对具有矛盾叙事的漫画展开研究，本文引入了 YesBut 评估基准，旨在评估人工智能在识别和解释具有幽默矛盾的漫画方面的能力。通过广泛的实验和分析，我们发现即使是最先进的模型在此任务上仍然落后于人类表现，为人工智能在理解人类创造性表达方面的当前限制和潜在改进提供了见解。

May, 2024

本文探究了用于幽默识别的 transfer learning 方式 ——prompting 对于 NLP 系统的有效性，并通过应用 influence functions 观察了幽默与 offense 之间的关系。实验结果表明：在低资源的幽默识别任务中，prompting 具有出色的性能表现。

Oct, 2022

本文提出新的任务：判断一个笑话是否幽默，通过建立基于 Reddit 站点上近 16,000 标记实例的幽默评分模型，使用 Transformer 体系结构实现语句上下文的学习，取得了与人类表现可比较的成果，并在短笑话和双关语数据集上取得了 93.1% 和 98.6% 的 F-measure，这一方法超过了以前用于这些任务的所有先前工作。

Aug, 2019

这篇文章提出了一种普适的幽默认知机制，不仅限于口头交流，并且建立在常规约束和不协调解决理论框架的基础上，通过找寻数据集合之间的抽象对应关系进行研究，以此解释了幽默的产生和表达方式。

Oct, 2023

通过编辑文本，我们研究了大型语言模型（LLMs）是否能够生成用于幽默检测的合成数据。我们对现有的人类数据集进行了基准测试，并展示了当前的 LLMs 在判断幽默性和幽默检测的下游任务中，能够令人印象深刻地去除笑话。我们还将我们的方法扩展到了一个混合编码的英文 - 印地语幽默数据集，发现 GPT-4 的合成数据得到了双语注释者的高评价，并为幽默分类器提供了具有挑战性的对抗性例子。

Feb, 2024

我们选择了滑稽任务，因为滑稽任务严重依赖于幽默感，它是基本主观的。我们的实验表明，在训练过程中，通过包含个性化数据，滑稽检测的任务获得了极大的益处。

Dec, 2023

本研究提出了一个基于机器学习的新型幽默挖掘方法，通过结合心理学、语言学与自然语言处理的最新进展，利用一万余篇滑稽论文构建数据集，成功实现自动检测幽默科学论文的任务，并有望在科学研究中发挥重要作用。

Jun, 2021

本文深入探讨了讽刺新闻标题的语法和语义结构，找到了制造幽默的关键词和概念，为构建制造幽默的系统提供了新的见解。

Jan, 2019